OWA (Ordered Weighted Averaging)

OWA, elinizde bir karar tablosu olduğunda ve kriterleri birleştirirken karar vericinin risk tutumunu (temkinli mi, iyimser mi, dengeli mi) açıkça sonuca yansıtmak istediğinizde kullanılan bir sıralama yöntemidir. Çıktısı her alternatif için 0 ile 1 arasında bir uygunluk puanı ve bu puana göre sıradır. Yager tarafından 1988'de önerilmiştir; en yaygın kullanımını coğrafi bilgi sistemleri (CBS) tabanlı arazi uygunluk analizlerinde bulmuştur, çünkü bu alanda "tüm kriterler sağlansın" ile "bazı kriterler yeterli" arasındaki tercih sık sık tartışılır.

Çoğu birleştirme yöntemi iki uçtan birini seçer: ya "en zayıf kriter belirleyicidir" (AND mantığı, kötümser) ya "en güçlü kriter yeterlidir" (OR mantığı, iyimser). OWA'nın fikri, bu iki ucun aslında bir sürekliliğin (continuum) iki kenarı olduğudur ve karar verici bu sürekliliğin herhangi bir noktasını seçebilmelidir. Bunu yapmak için OWA, kriter değerlerini hangi kriterden geldiğine göre değil, o alternatifte aldıkları sıraya (en yüksekten en düşüğe) göre ağırlıklandırır. En yüksek değere her zaman aynı pozisyon ağırlığı uygulanır, kaynağı hangi kriter olursa olsun.

Bu fikrin felsefi sonucu, OWA'nın hem telafi edici hem ayarlanabilir olmasıdır. Pozisyon ağırlıkları eşit dağıtılırsa OWA basit bir ağırlıklı ortalamaya döner; en yüksek değere ağırlık yığılırsa iyimser (OR'a yakın) bir tutum ortaya çıkar; en düşük değere ağırlık yığılırsa temkinli (AND'e yakın) bir tutum ortaya çıkar. Yöntem, "hangi mantığı kullanıyoruz" sorusunu veriden değil, karar vericinin seçtiği pozisyon ağırlıklarından yanıtlar.

Yöntem beş adımda ilerler.

Birinci adım, ölçek eşitleme. Her kriter 0 ile 1 arasına taşınır; "çoğu iyi" kriterler kendi en büyük değerine bölünür, "azı iyi" kriterler ters çevrilir. Veriniz zaten bu ölçekte bir uygunluk puanıysa (bir uzman değerlendirmesinden ya da önceki bir analizden geliyorsa) bu adım atlanabilir; ancak bu, ham sayıların gözle "0-1 arası görünmesiyle" değil, verinin gerçekten bu şekilde tanımlanmış olmasıyla haklı çıkarılmalıdır.

İkinci adım, sıraya dizme. OWA her alternatifin dört (ya da kaç kriter varsa o kadar) ölçeklenmiş değerini kendi içinde büyükten küçüğe sıraya dizer. Bu adımda kriter kimliği bir kenara bırakılır; artık "en yüksek değer", "ikinci en yüksek değer" gibi konumlar önemlidir. Her konuma, o konumdaki değerin hangi kriterden geldiği not edilir; böylece kriterin kendi ağırlığı da konumla birlikte taşınır.

Üçüncü adım, pozisyon ağırlıklı toplama. Karar verici önceden bir pozisyon ağırlık dizisi (λ) belirlemiştir: en yüksek değere ne kadar, ikinciye ne kadar ağırlık verileceği gibi. OWA sıralı değerleri hem bu pozisyon ağırlığıyla hem kriterin kendi ağırlığıyla çarpıp toplar ve bu toplamı, aynı çarpımların toplamına bölerek ölçekler.

Dördüncü adım, isteğe bağlı tanı. OWA iki ek gösterge üretebilir: ORness (seçilen pozisyon ağırlıklarının iyimser-kötümser ekseninde nereye düştüğü) ve tercih edilen telafi derecesi. Bunlar veriden değil, seçilen pozisyon ağırlıklarından hesaplanır ve karar vericinin tutumunu özetler.

Beşinci adım, sıralama. Alternatifler bu puana göre büyükten küçüğe sıralanır.

Adımların formülleri, ara tabloları ve atıf biçimleri DecisionMind'daki yöntem sayfasında verilir; bu kart formül taşımaz.

Puan, bu analizdeki seçilen pozisyon ağırlıklarıyla hesaplanmış bir uygunluk göstergesidir; başka bir pozisyon ağırlık seçimiyle ya da başka bir analizle karşılaştırılamaz. Puanın 0,62 çıkması "yüzde altmış iki uygun" anlamına gelmez; yalnızca bu alternatifin, seçilen risk tutumu altında diğerlerine göre nerede durduğunu gösterir.

ORness göstergesi ayrıca okunmalıdır. ORness 0,5'e yakınsa aggregation dengelidir ve OWA basit ağırlıklı ortalamaya (WLC/SAW) yaklaşır. ORness 1'e yaklaştıkça yöntem iyimserleşir, en güçlü kriterin ağırlığı artar. ORness 0'a yaklaştıkça yöntem temkinlileşir, en zayıf kriter belirleyici hâle gelir. Bir raporda ORness belirtilmeden verilen bir OWA puanı, hangi tutumla üretildiği belirsiz bir puandır.

Bu nedenle:

"OWA bu alanın en uygun olduğunu gösterdi"

yerine:

"Seçilen pozisyon ağırlıklarıyla (ORness = 0,50, dengeli tutum) bu alan diğerlerine göre en uygun çıkmaktadır"

biçiminde yazmak doğrudur.

OWA kesin (crisp) veriyle çalışır. DecisionMind'da bu temel yöntemin herhangi bir uzantısı yoktur.

Elinizde şunlar olmalı: satırlarda alternatifler, sütunlarda kriterler, her hücrede bir sayı; her kriter için yön bilgisi; toplamı 1 olan kriter ağırlıkları; ve toplamı 1 olan bir pozisyon ağırlık dizisi (λ). λ, "hepsi eşit önemli konumda" (OWA=WLC), "en iyiye ağırlık ver" (iyimser) ya da "en kötüye ağırlık ver" (temkinli) gibi bir tercihle elle belirlenebilir; Yager'in nicelik-güdümlü (quantifier-guided) yaklaşımı, "çoğu kriter" ya da "en az yarısı" gibi doğal dilden λ türetmeyi de sağlar. Fayda kriterlerinde değerlerin pozitif olması gerekir, çünkü ölçekleme en büyük değere bölerek yapılır. En az iki alternatif ve iki kriter gerekir; üç ile on iki kriter arası rahat çalışır.

Kriterleri birleştirirken karar vericinin risk tutumunu (temkinli, dengeli, iyimser) açıkça ayarlamak istiyorsanız OWA uygun bir seçimdir. Tipik alanları arazi kullanımı uygunluk analizi, yer seçimi, çevresel değerlendirme ve kentsel planlamadır; CBS tabanlı çalışmalarda bu tutum ayarı sık aranan bir özelliktir.

Kullanılmaması gereken durum, kriter ağırlıklarının zaten net olduğu ve pozisyona dayalı bir risk tutumu ayarına ihtiyaç duyulmadığı durumdur; bu durumda doğrudan basit ağırlıklı toplam (WLC/SAW) yeterlidir ve OWA'nın getirdiği ek karmaşıklık gereksizdir. Kriter sayısı çok fazlaysa pozisyon ağırlıklarının hangi kritere denk geldiğini izlemek de zorlaşır.

Risk tutumu (temkinli/iyimser/dengeli) sonuca açıkça yansısın → OWA

Kriter ağırlıkları net, ek risk tutumu ayarına gerek yok → WLC/SAW

Bir kriterde taviz yok, eşik altı elenmeli → Önce eleme, sonra sıralama

Kriterlere ağırlık gerekiyor → AHP, BWM, SWARA (öznel) · Entropy, CRITIC (nesnel)

OWA'nın en önemli üstünlüğü esnekliğidir. Tek bir pozisyon ağırlık dizisi değiştirilerek aynı veriden temkinli, dengeli ya da iyimser bir sonuç üretilebilir; bu da duyarlılık analizini doğal bir parçası hâline getirir. Eşit pozisyon ağırlığıyla basit ağırlıklı ortalamaya (WLC/SAW) birebir eşitlenmesi, yöntemin bir taban çizgisiyle her zaman karşılaştırılabilir olmasını sağlar. ORness göstergesi, seçilen tutumu sayısal ve izlenebilir kılar; karar verici "ne kadar iyimser davrandığını" bir sayıyla görebilir.

Sınırlılıkları pozisyon tabanlı yapısından doğar. Pozisyon ağırlıkları kritere değil sıraya bağlıdır; bu yüzden hangi kriterin hangi ağırlığı aldığı alternatiften alternatife değişir ve pozisyon ağırlığını kriter ağırlığıyla karıştırmak yaygın bir hatadır. Seçenek kümesine yeni bir alternatif eklendiğinde, sıralı değerlerin konumları değişebilir ve bu da diğer alternatiflerin puanını etkileyebilir; sıra tersinmesi riski TOPSIS'te olduğu gibi burada da vardır. Pozisyon ağırlıklarının seçimi büyük ölçüde karar vericiye bırakılmıştır; bu seçim gerekçelendirilmezse OWA, istenen sonucu üretecek biçimde ayarlanmış öznel bir araca dönüşebilir (Malczewski ve Rinner, 2015).

En yaygın hata, pozisyon ağırlığını kriter ağırlığıyla karıştırmaktır. En yüksek değere verilen pozisyon ağırlığı her zaman o konuma gider, konumu dolduran kriter hangisi olursa olsun; "birinci pozisyon ağırlığı hep şu kritere aittir" diye düşünmek yanlıştır.

İkinci hata, eşit pozisyon ağırlığı taban çizgisini hiç kontrol etmeden doğrudan iyimser ya da temkinli bir dizi seçmektir; eşit ağırlıkla OWA'nın basit ağırlıklı ortalamayla aynı sonucu verip vermediği önce görülmelidir. Üçüncü hata, ölçekleme adımını (F1) atlayıp ham sayıları doğrudan sıraya dizmektir; kriterin gerçek tercih yapısını yansıtmayan bir ölçek, sıralamayı da yanlış konuma sokar. Dördüncü hata, ORness belirtmeden bir OWA sonucu paylaşmaktır; bu, hangi tutumla üretildiği bilinmeyen bir sonuç sunmak demektir.

Temel ilke şudur:

OWA sonucu, verinin değil, seçilen pozisyon ağırlıklarının (risk tutumunun) ürünüdür; bu tutum raporda açıkça belirtilmeden sonuç eksik sunulmuş olur.